Forward Deployed Engineer: самая дорогая роль в ИИ — та, что заставляет модели работать

От 70 до 95% корпоративных ИИ-проектов не доходят до продакшена. Демо работает, а в реальной компании всё ломается. Разрыв закрывает Forward Deployed Engineer — инженер внедрения, которому OpenAI платит до $550 тысяч в год.

Forward Deployed Engineer: самая дорогая роль в ИИ — та, что заставляет модели работать

Forward Deployed Engineer: почему самая дорогая роль в ИИ — та, что заставляет модели работать

От 70 до 95% корпоративных ИИ-проектов не доходят до продакшена. Оценки MIT, RAND и McKinsey расходятся в методологии, но сходятся в главном: демо работает безупречно, а в реальной компании всё ломается. Данные разбросаны по шести системам, API отвечает через раз, служба безопасности не согласовывает доступ, сотрудники не понимают, зачем им этот инструмент.

Разрыв между «ИИ может» и «ИИ работает у нас» закрывает человек, который умеет писать код и одновременно разбирается в бизнес-процессе. Называется эта роль Forward Deployed Engineer — инженер внедрения. OpenAI платит таким специалистам $350–550 тысяч в год, и это не потолок.

Роль, придуманная в разведке

FDE придумали не в эпоху больших языковых моделей. В середине 2000-х Palantir столкнулась с проблемой: заказчики из разведывательного сообщества США физически не могли сформулировать требования. Данные засекречены, схемы не документированы, процессы понятны только тем, кто в них работает. Ответ был простой: вместо того чтобы ждать техническое задание, инженеров посадили внутрь среды заказчика.

Внутри Palantir таких специалистов называют «Delta» — в противовес «Dev», разработчикам ядра. Формула: инженер, который пишет продакшен-код и при этом может сидеть в одном зале с топ-менеджментом. До запуска платформы Foundry в 2016 году инженеров внедрения в компании было больше, чем продуктовых разработчиков. Механика — «грунтовка, потом шоссе»: команда на площадке строит грубое решение под одного заказчика, продуктовая команда шаблонизирует повторяющиеся куски. Foundry вырос именно так.

Разница с классическим консалтингом принципиальная. Консультант сдаёт презентацию и отчёт. FDE сдаёт работающую систему в проде и отвечает за то, что она делает дальше. Экономика это выдерживает: валовая маржа Palantir выросла с 78% в 2021 году до 82–84% в 2025–2026. Сервисная модель не убивает вендора.

Почему сейчас

В 2025 году число вакансий FDE выросло, по разным оценкам, на 729–1165% — цифры разнятся в зависимости от методологии и периода, но направление однозначное. Google Cloud планирует нанять сотни таких инженеров. У OpenAI открыто около 50 вакансий, роли живут в подразделении Model Deployment for Business, города — от Нью-Йорка до Токио. Есть отдельный трек для госзаказчиков. Anthropic — подразделение Applied AI, 25–50% рабочего времени в поездках к клиентам. Scale AI объединила внедрение и прикладную науку в одну функцию — больше 200 человек. Немецкий Helsing нанимает Deployed AI Engineer.

В мае 2026 года произошло то, что сложно назвать просто наймом. OpenAI объявила о создании OpenAI Deployment Company с более чем $4 млрд стартовых инвестиций — фундаментом стала покупка британской инжиниринговой фирмы Tomoro вместе с примерно 150 forward-deployed инженерами. Почти одновременно Anthropic вместе с Blackstone, Hellman & Friedman и Goldman Sachs запустила собственную фирму корпоративных ИИ-услуг. Два главных вендора ИИ индустриализируют роль: конкуренция сместилась с качества модели на качество внедрения.

Зарплаты это подтверждают. Средняя компенсация FDE в США — около $296 тысяч (Levels.fyi), медиана по выборке из тысячи вакансий — $174 тысячи (Bloomberry). OpenAI: база $160–280 тысяч, total comp на mid-to-senior — $350–550 тысяч, staff — свыше $600 тысяч, principal приближается к миллиону с учётом equity. Palantir платит своим FDSE медианные $215 тысяч. Frontier-лаборатории дают на 60–150% больше — премия за людей, которые понимают и в ИИ, и в бизнесе одновременно.

Как выглядит работа: кейс страховой компании

FDE приходит в крупную страховую компанию, чтобы построить ИИ-инструмент для оценки страховых случаев. В техническом задании написано: узкое место — сама оценка. Инженер первую неделю сидит рядом с экспертом-оценщиком и наблюдает. Выясняется: оценка занимает минуты. Основное время уходит на поиск похожих прошлых случаев — в базе их тысячи, и найти нужный без точных параметров сложно. За две недели FDE строит прототип поиска. Внедряет. Возвращается в штаб-квартиру с выводом: функция поиска похожих случаев — то, что захочет каждая страховая компания. Она становится стандартной.

Кейс показателен не кодингом, а диагнозом. Заказчик пришёл с одной проблемой, реальная была в другом месте. Главный навык FDE — увидеть, где настоящее узкое место, и перевести его в техническую задачу.

Что должен уметь

Цикл работы FDE пятиэтапный: наблюдение, скоуп и дизайн, сборка, внедрение, обратная связь продуктовой команде. Минимальная рабочая единица — пара: инженер внедрения плюс стратег внедрения. Одна команда ведёт один-три проекта, а не тысячу подписчиков.

Техническая связка стандартная: RAG поверх данных заказчика, MCP как протокол безопасного доступа агента к внутренним системам, LLM & Security Gateway — единая точка логирования вызовов модели и фильтрации чувствительных данных до выхода за периметр. Выбор модели и уровня reasoning-effort — отдельная инженерная работа, а не разовое решение «взяли Claude и забыли».

Требования к кандидатам жёсткие. OpenAI просит пять и более лет инженерного опыта. При этом порог по «чистому ML» снизился: глубокое знание архитектуры моделей больше не обязательно. FDE — не позиция для человека, который вчера научился писать промпты. «Простое не значит лёгкое»: простой интерфейс «спросил — получил ответ» прячет месяцы работы над retrieval, правами доступа и обработкой ошибок модели.

Где модель ломается

Главный риск — не технический, а организационный. Если FDE оценивают по активности, а не по метрике заказчика, он «быстро превращается в дорогого секретаря с доступом к API». Компания платит за присутствие и получает ровно это: присутствие. «ИИ, который не двигает метрику, — это театр, и рано или поздно за театр увольняют человека, который его заказал». Контракт должен строиться вокруг измеримого результата: от «покажите план» к «покажите, что изменилось в выручке, скорости или издержках через месяц». Единственная метрика, которая не врёт заказчику, — time to use: насколько короче путь от «написал код» до «работает в проде».

Второй риск — зависимость от вендора. Andrew Ng предупреждает: чем глубже встроено решение, тем дороже соскочить. FDE глубоко вплетает в компанию продукт одного вендора, и через год замена архитектуры — это проект на миллионы.

Наконец, сама роль до сих пор плохо определена. Vinoo Ganesh из Kepler строил функцию FDE трижды в трёх компаниях за десять лет и говорит: «почти никто в индустрии не согласен, что этот инженер должен делать на самом деле». Отсюда разнобой в форматах: где-то FDE сам пишет код, где-то — ставит задачи разработчикам. В России, где OpenAI API и Claude официально недоступны, выбор модели и среды запуска нужно обсуждать до пилота, и «последнюю милю» часто закрывает не вакансия, а партнёр полного цикла с KPI в договоре.

Есть и практическая деталь, которую стоит запомнить: платный пилот дешевле бесплатного. Бесплатный никто не доводит до данных. А техзадание, фиксирующее гипотезу как обязательство, при расхождении с реальностью защищает документ вместо результата.

Что это значит

FDE — это не должность, а модель контракта: вы платите не за часы и не за артефакты, а за изменение метрики заказчика. Там, где результат можно измерить — время обработки заявки, конверсия, скорость вывода фичи, — модель работает. Там, где метрику определить нельзя или FDE оценивают по присутствию, это дорогой консалтинг под другим названием.

Для инженеров и продакт-менеджеров с техническим бэкграундом это карьерный трек, где ценятся не годы в ML, а способность доводить до работающего продукта. Историческая закономерность повторяется: системные аналитики не исчезли после VisiCalc — ушли в ERP. Консультанты нужны, чтобы построить платформу, а жить на ней компания учится без них. FDE — текущая итерация этой закономерности.

Пока 70–95% ИИ-проектов не доходят до продакшена, человек, который умеет их доводить, будет стоить дорого. Вопрос не в том, перегрет ли рынок, а в том, научились ли компании платить за результат, а не за присутствие.

Read more

Panthalassa открыла фабрику плавучих дата-центров: как океан становится серверной

Panthalassa открыла фабрику плавучих дата-центров: как океан становится серверной

Стартап Panthalassa перепрофилировал бывшую верфь в Орегоне под серийную сборку плавучих дата-центров. Вместо передачи энергии на берег компания отправляет вычисления в океан, где волны питают ИИ-чипы, а морская вода охлаждает серверы. Разбираемся, как это работает и где модель даст трещину.

Правовое положение женщин в средневековом Китае: от Тан к Мин

Правовое положение женщин в средневековом Китае: от Тан к Мин

Танский кодекс карал мужа каторгой за развод без оснований, но приравнивал жену к младшим родственницам. Разбираем, как иерархия старшинства, а не пол, определяла права женщины, и что изменилось при династии Мин.

Images 2.6: скорость как маркетинг, а реальное изменение — в процессе

OpenAI анонсировала Images 2.6 с заявлением о скорости, но без методологии замеров. Реальная ценность релиза — в переходе от генерации картинок к рабочему процессу: редактирование через аннотации, сохранённые референсы и векторный вывод. Разбираем, что стоит за маркетингом и как выбрать модель.

LFM3 от Liquid AI: маленькая модель для агентных задач, а не для размышлений

Liquid AI выпустила семейство LFM3 — модели класса ~2B параметров, которые на агентных бенчмарках обходят модели в пять раз больше. Разбираемся, как архитектура под железо и отложенная загрузка инструментов меняют логику выбора модели.